随着无线通信技术的快速发展,通信信号的调制方式与信道环境日益复杂化,接收信号调制方式的确定作为信号解调的基础,在军用通信和民用通信领域均有着很重要的作用。目前大部分的调制识别技术都是利用信号特征进行分类。随着深度学习技术的兴起,逐渐有专家将深度学习和调制识别结合起来,提出了基于深度学习的调制识别,其中比较有代表性的是Timothy J’O’Shea提出的CNN架构下的调制识别,仿真结果表明,该方案可以在低信噪比下取得较好的识别性能。本文在其基础上做了进一步研究,针对Timothy J’O’Shea教授公开的数据集,定义了数据集中不同的调制方式的信号特征参数,包括通信信号的瞬时特征和高阶累积量等特征,给出了不同信噪比下所定义的特征参数的仿真结果。在此基础上,利用不同的分类器对信号进行识别,分类器包括支持向量机、K近邻算法以及神经网络分类器,论文讨论了影响各种分类器分类性能的因素,选择出了一个最好的分类器用于调制识别。实验结果表明:瑞丽衰落信道下,基于信号特征的分类器在信噪比较高时的识别率超过了CNN架构下的调制识别;信噪比较低时CNN架构的调制识别精度更高;高斯信道下无论是高信噪比还是低信噪比CNN架构的识别效果均更优。为了研究网络架构对调制识别的影响,本文在相同的数据集上仿真分析了CLDNN架构的调制识别性能。论文给出网络结构和训练过程,并讨论了不同信道环境下的调制识别精度。实验结果表明:与CNN架构的调制识别方案相比,低信噪比下两种网络架构的识别效果相差不大,但是高信噪比时,不论是高斯信道还是衰落信道,CLDNN识别效果都有着明显的提升。相比基于信号特征的分类器识别方案,CLDNN在高斯信道下识别效果有了明显的提升,但是在衰落信道下较高信噪比时,基于信号特征的分类器识别精度仍占优势。最后,本文将信号特征分别与CNN特征和CLDNN特征做融合,给出训练过程,并仿真分析了融合方案下的识别性能,实验结果表明在未知信道类型及信噪比,不考虑模型的复杂度的情况下将CLDNN特征和信号特征融合的调制识别方案是一个很好的选择。